hiskio

    用Python學AI理論與程式實作(涵蓋Certiport ITS AI國際認證模擬試題)

    涵蓋Certiport ITS AI 人工智慧核心能力國際認證範圍，並收錄相關模擬試題。

    收集中
    US$18.35

    內容簡介


    涵蓋Certiport ITS AI 人工智慧核心能力國際認證範圍，並收錄相關模擬試題。

    ．本書適合想要學習人工智慧知識與技能的讀者，章節安排由淺入深，以循序漸進的方式介紹人工智慧的核心概念。
    ．特別強調實踐中學習的重要性，除了介紹AI理論之外，還提供相對應的程式實作，有效提升學習樂趣並降低學習障礙，適合教師進行教學或讀者自主學習。
    ．介紹了人工智慧的數學基礎，以簡潔扼要的方式解釋在人工智慧理論中，所需應用的數學概念。
    ．為了兼顧不同Python程式設計能力的讀者，設計了機器學習的Python基礎章節，幫助較不熟悉Python語法的讀者能夠上手。
    ．本書特別納入符合產業趨勢的「Certiport ITS 資訊科技專家」系列認證考科－ITS Artificial Intelligence 人工智慧核心能力國際認證考試重點，並於書末納入認證模擬試題，讓您掌握考試關鍵，順利考取證照。

    作者介紹


    李啟龍 博士(Jason哥)
    國立臺灣科技大學資訊管理研究所博士 / 財團法人創新智庫生成式AI創新學院院長 / 社團法人中華多元智能教育協會副理事長
    特殊榮譽：
    ．連續7年微軟全球最有價值專家MVP
    ．台灣學術網路 TANET 傑出貢獻人員
    ．APEC亞太經合會 青年科學節國家代表
    ．國立臺灣科技大學資訊管理系傑出校友
    ．資訊月十大傑出資訊人才獎
    ．旺宏科學獎 特殊貢獻指導老師獎
    ．ZDNet名家專欄作家
    ．LiveABC互動英文雜誌科技教育管理TEM專欄作家
    ．多智協STEAMagazine專欄作家
    ．已著有62本資訊科技相關書籍

    陳威達
    作為踏入AI領域不滿五年的大學生，深刻地體會到這段旅程的充實與挑戰。如果自身的經驗能幫助讀者在享受學習的樂趣的同時也少走些彎路，對我而言將是莫大的榮幸。

    目錄


    第一章 人工智慧簡介
    1.1 人工智慧簡介
    1.2 人工智慧的數學基礎
    1.3 建置開發環境
    1.4 習題
    補充：libiomp5md.dll相關問題

    第二章 機器學習的Python基礎
    2.1 Python語法練習
    2.2 習題

    第三章 知識發現
    3.1 知識發現
    3.2 關聯規則探勘
    3.3 序列樣式探勘
    3.4 聚類
    3.5 習題

    第四章 分類問題
    4.1 分類問題的形式和目標
    4.2 決策樹
    4.3 支持向量機
    4.4 KNN
    4.5 神經網路
    4.6 習題

    第五章 強化學習
    5.1 心理學與強化學習
    5.2 Q-Learning與貝爾曼方程式
    5.3 運用OpenAI遊戲模組實作Q-Learning 演算法
    5.4 習題
    補充：AlphaGo Movie

    第六章 深度神經網路理論
    6.1 全連接神經網路
    6.2 模型的量化、修正與優化
    6.3 習題
    補充：損失函數、梯度優化

    第七章 深度神經網路實作
    7.1 運用torch.nn類別實作MNIST手寫數字辨識
    7.2 運用Dropout函數減緩過擬合問題
    7.3 習題

    第八章 卷積神經網路理論
    8.1 卷積運算
    8.2 卷積與影像處理練習
    8.3 卷積神經網路
    8.4 習題
    補充：卷積核與池化核的常用參數

    第九章 卷積神經網路實作
    9.1 運用CIFAR-10資料集實作CNN
    9.2 神經網路的優化實作
    9.3 習題

    第十章 物件偵測理論
    10.1 ResNet
    10.2 RCNN
    10.3 YOLO
    10.4 習題

    第十一章 物件偵測實作
    11.1 YOLOv7自定義資料集物件偵測
    11.2 習題
    補充：使用labelImg軟體建構YOLO自定義資料集

    第十二章 自然語言處理
    12.1 自然語言與機器學習
    12.2 斷詞和關鍵字查找
    12.3 詞向量
    12.4 習題

    第十三章 循環神經網路
    13.1 RNN
    13.2 LSTM
    13.3 Transformer與ChatGPT
    13.4 習題

    第十四章 生成對抗網路
    14.1 生成對抗網路
    14.2 各類生成對抗網路
    14.3 運用DCGAN實現字型風格創作
    14.4 習題

    附錄A ITS AI國際認證模擬試題

    章節目錄

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      作者序
    • 1-4
      目錄
    • 1-5
      範例目錄
    • 1-6
      Ch01 人工智慧簡介
    • 1-7
      1.1 人工智慧簡介
    • 1-8
      1.1.1 人工智慧的定義
    • 1-9
      1.1.2 人工智慧的歷史
    • 1-10
      1.1.3 人工智慧的分類
    • 1-11
      1.2 人工智慧的數學基礎
    • 1-12
      1.2.1 代數與符號
    • 1-13
      1.2.2 指數和對數函數
    • 1-14
      1.2.3 向量
    • 1-15
      1.2.4 矩陣和張量
    • 1-16
      1.2.5 求和
    • 1-17
      1.2.6 微分和偏微分
    • 1-18
      1.2.7 合成函數的微分
    • 1-19
      1.2.8 線性回歸和羅吉斯回歸
    • 1-20
      1.2.9 精確率與召回率
    • 1-21
      1.3 建置開發環境
    • 1-22
      1.3.1 安裝Anaconda
    • 1-23
      1.3.2 Jupyter Notebook 環境
    • 1-24
      1.3.3 pip 套件安裝
    • 1-25
      1.4 習題
    • 1-26
      補充：libiomp5md.dll 相關問題
    • 1-27
      Ch02 機器學習的Python基礎
    • 1-28
      2.1 Python 語法練習
    • 1-29
      2.2 習題
    • 1-30
      Ch03 知識發現
    • 1-31
      3.1 知識發現
    • 1-32
      3.2 關聯規則探勘
    • 1-33
      3.2.1 尿布啤酒傳說
    • 1-34
      3.2.2 先驗演算法
    • 1-35
      3.3 序列樣式探勘
    • 1-36
      3.4 聚類
    • 1-37
      3.4.1 𝒌-平均聚類
    • 1-38
      3.4.2 凝聚式階層聚類
    • 1-39
      3.5 習題
    • 1-40
      Ch04 分類問題
    • 1-41
      4.1 分類問題的形式和目標
    • 1-42
      4.1.1 詐騙郵件
    • 1-43
      4.1.2 分類器
    • 1-44
      4.2 決策樹
    • 1-45
      4.2.1 二分法與決策樹
    • 1-46
      4.2.2 決策樹架構和數學原理
    • 1-47
      4.3 支持向量機
    • 1-48
      4.3.1 分類線與支持向量機
    • 1-49
      4.3.2 核方法
    • 1-50
      4.4 KNN
    • 1-51
      4.5 神經網路
    • 1-52
      4.6 習題
    • 1-53
      Ch05 強化學習
    • 1-54
      5.1 心理學與強化學習
    • 1-55
      5.1.1 行為主義
    • 1-56
      5.1.2 強化學習
    • 1-57
      5.1.3 史金納箱與強化學習模型
    • 1-58
      5.2 Q-Learning與貝爾曼方程式
    • 1-59
      5.2.1 貝爾曼方程式
    • 1-60
      5.2.2 Q-Learning演算法
    • 1-61
      5.3 運用OpenAI遊戲模組實作Q-Learning演算法
    • 1-62
      5.3.1 測試環境
    • 1-63
      5.3.2 單一行動測試
    • 1-64
      5.3.3 工人智慧
    • 1-65
      5.3.4 建立Q表
    • 1-66
      5.3.5 Q-Learning
    • 1-67
      5.4 習題
    • 1-68
      補充：AlphaGo Movie
    • 1-69
      Ch06 深度神經網路理論
    • 1-70
      6.1 全連接神經網路
    • 1-71
      6.1.1 人工神經網路的發想
    • 1-72
      6.1.2 神經網路架構和運算
    • 1-73
      6.2 模型的量化、修正與優化
    • 1-74
      6.2.1 模型的輸出與損失
    • 1-75
      6.2.2 梯度下降法
    • 1-76
      6.2.3 反向傳播演算法
    • 1-77
      6.2.4 激勵函數
    • 1-78
      6.3 習題
    • 1-79
      補充：損失函數、梯度優化
    • 1-80
      Ch07 深度神經網路實作
    • 1-81
      7.1 運用torch.nn 類別實作MNIST 手寫數字辨識
    • 1-82
      7.1.1 神經網路的建構
    • 1-83
      7.1.2 MNIST 手寫數字資料集
    • 1-84
      7.1.3 模型視覺化
    • 1-85
      7.1.4 Softmax 函數
    • 1-86
      7.1.5 模型訓練
    • 1-87
      7.1.6 訓練過程與結果呈現
    • 1-88
      7.2 運用Dropout 函數減緩過擬合問題
    • 1-89
      7.3 習題
    • 1-90
      Ch08 卷積神經網路理論
    • 1-91
      8.1 卷積運算
    • 1-92
      8.1.1 圖片、矩陣與卷積
    • 1-93
      8.1.2 一維卷積運算
    • 1-94
      8.1.3 二維卷積運算
    • 1-95
      8.2 卷積與影像處理練習
    • 1-96
      8.2.1 OpenCV
    • 1-97
      8.2.2 模糊
    • 1-98
      8.2.3 銳化
    • 1-99
      8.2.4 圖形邊界
    • 1-100
      8.3 卷積神經網路
    • 1-101
      8.3.1 卷積運算與神經網路
    • 1-102
      8.3.2 卷積神經網路的架構
    • 1-103
      8.4 習題
    • 1-104
      補充：卷積核與池化核的常用參數
    • 1-105
      Ch09 卷積神經網路實作
    • 1-106
      9.1 運用CIFAR-10 資料集實作CNN
    • 1-107
      9.1.1 CIFAR-10 圖片資料集
    • 1-108
      9.1.2 CNN 的架構
    • 1-109
      9.1.3 模型視覺化
    • 1-110
      9.1.4 模型訓練
    • 1-111
      9.1.5 訓練過程與結果呈現
    • 1-112
      9.2 神經網路的優化實作
    • 1-113
      9.2.1 批次標準化
    • 1-114
      9.2.2 增加卷積層
    • 1-115
      9.2.3 GPU 運算
    • 1-116
      9.3 習題
    • 1-117
      Ch10 物件偵測理論
    • 1-118
      10.1 ResNet
    • 1-119
      10.1.1 梯度消失
    • 1-120
      10.1.2 殘差神經網路
    • 1-121
      10.2 RCNN
    • 1-122
      10.2.1 物件偵測與Sliding Window
    • 1-123
      10.2.2 RCNN 模型原理
    • 1-124
      10.3 YOLO
    • 1-125
      10.3.1 YOLO 概念簡介
    • 1-126
      10.3.2 全卷積神經網路
    • 1-127
      10.3.3 錨框
    • 1-128
      10.3.4 YOLO 層
    • 1-129
      10.3.5 非極大值抑制
    • 1-130
      10.3.6 CSPNet
    • 1-131
      10.4 習題
    • 1-132
      Ch11 物件偵測實作
    • 1-133
      11.1 YOLOv7 自定義資料集物件偵測
    • 1-134
      11.1.1 GPU 連線
    • 1-135
      11.1.2 下載YOLOv7
    • 1-136
      11.1.3 掛載Google 雲端硬碟
    • 1-137
      11.1.4 載入自定義資料
    • 1-138
      11.1.5 模型測試
    • 1-139
      11.1.6 模型設定檔參數調整和初始參數下載
    • 1-140
      11.1.7 模型訓練
    • 1-141
      11.1.8 模型驗證
    • 1-142
      11.1.9 輸出結果
    • 1-143
      11.2 習題
    • 1-144
      補充：使用labelImg 軟體建構YOLO 自定義資料集
    • 1-145
      Ch12 自然語言處理
    • 1-146
      12.1 自然語言與機器學習
    • 1-147
      12.1.1 自然語言處理為何困難
    • 1-148
      12.1.2 機器學習處理自然語言的方法
    • 1-149
      12.2 斷詞和關鍵字查找
    • 1-150
      12.2.1 jieba 套件與斷詞方法
    • 1-151
      12.2.2 TF-IDF
    • 1-152
      12.3 詞向量
    • 1-153
      12.3.1 相似度與Word2Vec
    • 1-154
      12.3.2 Word2Vec 運作原理
    • 1-155
      12.4 習題
    • 1-156
      Ch13 循環神經網路
    • 1-157
      13.1 RNN
    • 1-158
      13.1.1 RNN 的單元運算
    • 1-159
      13.1.2 多層RNN
    • 1-160
      13.2 LSTM
    • 1-161
      13.2.1 長短期記憶
    • 1-162
      13.2.2 LSTM 單元中的閘門
    • 1-163
      13.2.3 RNN 和LSTM 的應用
    • 1-164
      13.3 Transformer 與ChatGPT
    • 1-165
      13.4 習題
    • 1-166
      Ch14 生成對抗網路
    • 1-167
      14.1 生成對抗網路
    • 1-168
      14.1.1 文物鑑定
    • 1-169
      14.1.2 GAN 的神經網路架構
    • 1-170
      14.1.3 GAN 的訓練為何可行
    • 1-171
      14.2 各類生成對抗網路
    • 1-172
      14.2.1 cGAN
    • 1-173
      14.2.2 Cycle-GAN
    • 1-174
      14.3 運用DCGAN 實現字型風格創作
    • 1-175
      14.3.1 超參數
    • 1-176
      14.3.2 模型架構
    • 1-177
      14.3.3 損失函數
    • 1-178
      14.3.4 模型訓練
    • 1-179
      14.3.5 訓練過程、結果視覺化與模型保存
    • 1-180
      14.3.6 訓練GAN 的超參數
    • 1-181
      14.4 習題
    • 1-182
      附錄 ITS人工智慧模擬試題
    • 1-183
      版權頁
    • 1-184
      封底頁

    常見問答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜歡

    用戶評價

    | 收集中

    銷售方案